* A2A *
Sí. Existe una noción en las estadísticas conocida como “intercambiabilidad”. Citando de [1],
En estadística, una secuencia intercambiable de variables aleatorias (también a veces intercambiables ) [1] es una secuencia tal que las muestras futuras se comporten como muestras anteriores, lo que significa formalmente que cualquier orden (de un número finito de muestras) es igualmente probable.
- Expresiones regulares (informática): ¿Cómo minimizo este DFA?
- En Windows, ¿cómo se reduce el tamaño de los cursores, evitando la pixelación predeterminada?
- ¿Qué NIT es mejor para CS?
- Imágenes e íconos digitales: ¿Habrá una alternativa superior a los GIF para animaciones en el futuro cercano?
- ¿Es útil el aprendizaje automático y / o el aprendizaje profundo para el desarrollo móvil de Android?
Informalmente, lo que esto significa es que no importa en qué orden se observen las variables aleatorias. De nuevo de [1],
Una secuencia de variables aleatorias que son independientes e idénticamente distribuidas (iid), condicionadas a alguna forma de distribución subyacente es intercambiable.
Esto esencialmente dice que si las variables aleatorias son iid, entonces son intercambiables.
La mayoría, si no todos, los algoritmos de aprendizaje automático asumen iid, input y, por lo tanto, son insensibles al orden en que se les dan los datos.
Sin embargo, existe otra noción de eficiencia: la eficiencia computacional. Hay varios trabajos aplicados en los que se ha demostrado que la clasificación (y con eso no me refiero necesariamente a la clasificación de la manera que ha mostrado, pero el método más común ha sido calcular una puntuación de importancia o relevancia y luego ordenar por esa puntuación ) puede mostrar una convergencia mejorada, especialmente en los métodos que utilizan el descenso de gradiente estocástico. Sin embargo, esto es solo una observación empírica y no una garantía teórica.
[1] Variables aleatorias intercambiables